控制理论是工程科学的基石之一，它研究如何使动态系统按照期望的方式运行。本章将建立控制系统的基本概念框架，介绍系统建模的核心数学工具，为后续章节打下坚实基础。我们将从最基本的反馈概念出发，逐步深入到传递函数和状态空间等现代分析方法。通过倒立摆这个经典案例，读者将直观理解控制系统设计的挑战与魅力。
控制系统无处不在。从保持室温恒定的空调，到维持血糖平衡的胰岛素分泌，从SpaceX火箭的精确着陆，到自动驾驶汽车的路径跟踪，控制系统是现代文明的隐形支柱。
从数学角度看，控制系统是一个动态系统，它接收参考信号（期望行为），通过执行器对被控对象施加作用，使系统输出跟踪参考信号。这个过程涉及三个核心要素：
一个典型的控制系统可以表示为：
参考信号 r(t) → [控制器] → 控制输入 u(t) → [被控对象] → 输出 y(t)
↑ ↓
←────────────── 反馈 ←─────────────────────
开环控制是最简单的控制形式，控制器根据预设的规则产生控制信号，不考虑系统的实际输出。
优点：
缺点：
例子：洗衣机的定时程序、微波炉的加热时间设定。
闭环控制（反馈控制）将系统输出反馈到输入端，形成闭合回路。控制器根据误差 $e(t) = r(t) - y(t)$ 计算控制动作。
优点：
缺点：
例子：巡航控制、恒温器、自动驾驶。
反馈是控制理论的核心概念。负反馈能够：
降低灵敏度：设开环传递函数为 $G(s)$，反馈增益为 $H(s)$，则闭环传递函数为： \(T(s) = \frac{G(s)}{1 + G(s)H(s)}\) 当 $|G(s)H(s)| \gg 1$ 时，$T(s) \approx \frac{1}{H(s)}$，系统特性主要由反馈决定。
扩展带宽：反馈可以增加系统的工作频率范围。
线性化非线性系统：在高增益反馈下，非线性可以被”包裹”在反馈回路中。
创造新的动态特性：通过反馈可以改变系统的极点位置，实现期望的动态响应。
然而，反馈也带来挑战：
评价控制系统性能的关键指标包括：
时域指标：
频域指标：
综合指标：
| IAE（积分绝对误差）：$\text{IAE} = \int_0^\infty | e(t) | dt$ |
| ITAE（时间加权绝对误差）：$\text{ITAE} = \int_0^\infty t | e(t) | dt$ |
这些指标之间存在固有的权衡关系。例如，减小上升时间通常会增加超调量；提高鲁棒性往往以牺牲性能为代价。优秀的控制系统设计就是在这些相互冲突的目标之间找到最佳平衡点。
控制系统设计的第一步是建立被控对象的数学模型。模型是现实的抽象，它捕捉系统的本质特征，同时忽略次要细节。George Box的名言”所有模型都是错的，但有些是有用的”深刻揭示了建模的本质。
物理系统的数学描述通常基于基本物理定律：
机械系统：牛顿第二定律 \(F = ma = m\frac{d^2x}{dt^2}\)
电气系统：基尔霍夫定律
流体系统：质量守恒与动量守恒 \(\frac{\partial \rho}{\partial t} + \nabla \cdot (\rho \mathbf{v}) = 0\)
热力系统：能量守恒 \(mc_p\frac{dT}{dt} = Q_{in} - Q_{out}\)
这些基本定律为不同领域的系统建模提供了统一的框架。有趣的是，不同物理域的系统常常具有相似的数学形式，这种”同构性”使得控制理论具有广泛的适用性。
大多数物理系统可以用常微分方程（ODE）描述。考虑一个质量-弹簧-阻尼系统：
k (弹簧)
╱╲╱╲╱╲
┌───┐
│ m │ → F(t) 外力
└───┘
||| b (阻尼器)
═════
根据牛顿第二定律： \(m\ddot{x} + b\dot{x} + kx = F(t)\)
其中：
这是一个二阶线性常系数微分方程，它描述了系统位移 $x(t)$ 对外力 $F(t)$ 的响应。
电路系统示例：RLC电路
R L
───╱╲╱╲───────🌀────
│ │
○ V(t) ═ C
│ │
────────────────────
应用KVL： \(L\frac{di}{dt} + Ri + \frac{1}{C}\int i \, dt = V(t)\)
或用电荷 $q$ 表示（$i = \dot{q}$）： \(L\ddot{q} + R\dot{q} + \frac{q}{C} = V(t)\)
注意机械系统和电路系统的数学形式完全相同！这种类比关系：
对于复杂的多自由度系统，直接应用牛顿定律可能非常繁琐。拉格朗日方法提供了一种系统化的建模途径。
拉格朗日函数定义为： \(L = T - V\)
其中 $T$ 是动能，$V$ 是势能。
拉格朗日方程： \(\frac{d}{dt}\left(\frac{\partial L}{\partial \dot{q}_i}\right) - \frac{\partial L}{\partial q_i} = Q_i\)
其中 $q_i$ 是广义坐标，$Q_i$ 是广义力。
示例：双摆系统
考虑平面内的双摆：
O (固定点)
|
| l₁
|
● m₁
/
/ l₂
/
● m₂
选择角度 $\theta_1, \theta_2$ 作为广义坐标。
动能： \(T = \frac{1}{2}m_1l_1^2\dot{\theta}_1^2 + \frac{1}{2}m_2[l_1^2\dot{\theta}_1^2 + l_2^2\dot{\theta}_2^2 + 2l_1l_2\dot{\theta}_1\dot{\theta}_2\cos(\theta_1-\theta_2)]\)
势能： \(V = -m_1gl_1\cos\theta_1 - m_2g(l_1\cos\theta_1 + l_2\cos\theta_2)\)
应用拉格朗日方程可得到两个耦合的非线性微分方程。这种方法的优势在于：
实际建模中，合理的简化至关重要。常见的建模假设包括：
线性化假设：
集总参数假设：
时间尺度分离：
忽略次要效应：
建模的迭代过程：
记住：模型的复杂度应该与控制目标相匹配。过于简单的模型可能无法捕捉关键动态，而过于复杂的模型则增加设计难度且可能引入不必要的不确定性。
拉普拉斯变换是控制理论的核心数学工具，它将微分方程转化为代数方程，极大简化了系统分析。
定义： \(\mathcal{L}\{f(t)\} = F(s) = \int_0^\infty f(t)e^{-st}dt\)
其中 $s = \sigma + j\omega$ 是复变量。
关键性质：
线性性：$\mathcal{L}{af(t) + bg(t)} = aF(s) + bG(s)$
微分性质： \(\mathcal{L}\{\dot{f}(t)\} = sF(s) - f(0^-)\) \(\mathcal{L}\{\ddot{f}(t)\} = s^2F(s) - sf(0^-) - \dot{f}(0^-)\)
积分性质： \(\mathcal{L}\left\{\int_0^t f(\tau)d\tau\right\} = \frac{F(s)}{s}\)
时移性质：$\mathcal{L}{f(t-T)u(t-T)} = e^{-sT}F(s)$
终值定理： \(\lim_{t \to \infty} f(t) = \lim_{s \to 0} sF(s)\) （前提：$sF(s)$ 的极点都在左半平面）
常用拉普拉斯变换对：
| 时域 $f(t)$ | 频域 $F(s)$ |
|---|---|
| $\delta(t)$ | $1$ |
| $u(t)$ | $\frac{1}{s}$ |
| $t$ | $\frac{1}{s^2}$ |
| $e^{-at}$ | $\frac{1}{s+a}$ |
| $\sin(\omega t)$ | $\frac{\omega}{s^2+\omega^2}$ |
| $\cos(\omega t)$ | $\frac{s}{s^2+\omega^2}$ |
| $e^{-at}\sin(\omega t)$ | $\frac{\omega}{(s+a)^2+\omega^2}$ |
传递函数是线性时不变（LTI）系统的频域表示，定义为零初始条件下，输出的拉普拉斯变换与输入的拉普拉斯变换之比：
\[G(s) = \frac{Y(s)}{U(s)}\]从微分方程到传递函数：
考虑 n 阶微分方程： \(a_n\frac{d^ny}{dt^n} + a_{n-1}\frac{d^{n-1}y}{dt^{n-1}} + \cdots + a_0y = b_m\frac{d^mu}{dt^m} + \cdots + b_0u\)
取拉普拉斯变换（零初始条件）： \(G(s) = \frac{Y(s)}{U(s)} = \frac{b_ms^m + b_{m-1}s^{m-1} + \cdots + b_0}{a_ns^n + a_{n-1}s^{n-1} + \cdots + a_0}\)
传递函数的物理意义：
标准形式：
零极点形式： \(G(s) = K\frac{(s-z_1)(s-z_2)\cdots(s-z_m)}{(s-p_1)(s-p_2)\cdots(s-p_n)}\)
时间常数形式： \(G(s) = K'\frac{(\tau_1s+1)(\tau_2s+1)\cdots}{(T_1s+1)(T_2s+1)\cdots}\)
极点和零点决定了系统的动态特性。
极点（使分母为零的 s 值）：
零点（使分子为零的 s 值）：
极点位置与时域响应：
Im
↑
× | × 振荡发散
|
─────┼───── Re
|
× | × 振荡衰减
↓
主导极点： 离虚轴最近的极点对响应影响最大，称为主导极点。其他极点的影响可近似忽略，这是降阶的理论基础。
方框图是系统互联的图形表示，便于理解和分析复杂系统。
基本元素：
U(s) →[G(s)]→ Y(s)
R(s) →⊕← E(s) = R(s) - Y(s)
↑
Y(s)
基本连接：
串联：$G_{总}(s) = G_1(s) \cdot G_2(s)$
并联：$G_{总}(s) = G_1(s) + G_2(s)$
反馈： \(G_{闭环}(s) = \frac{G(s)}{1 \pm G(s)H(s)}\) （”+”表示负反馈，”-“表示正反馈）
Mason增益公式：
对于复杂的信号流图，Mason公式提供了系统化的求解方法：
\[G(s) = \frac{\sum_k P_k \Delta_k}{\Delta}\]其中：
状态空间方法是现代控制理论的基石，它提供了一种统一的框架来处理多输入多输出（MIMO）系统、时变系统和非线性系统。与传递函数方法相比，状态空间方法保留了系统的内部结构信息，这对于理解和设计复杂控制系统至关重要。
状态的定义： 系统的状态是一组最小的变量集合，如果知道 $t_0$ 时刻的状态和 $t \geq t_0$ 的输入，就能完全确定系统在任意时刻 $t \geq t_0$ 的行为。
状态具有以下特性：
状态变量的选择： 状态变量的选择不唯一，常见的选择包括：
例如，对于机械系统，自然选择位置和速度作为状态变量；对于电路系统，选择电容电压和电感电流。
线性时不变系统的状态空间描述由两个方程组成：
状态方程（描述状态的演化）： \(\dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t) + \mathbf{B}\mathbf{u}(t)\)
输出方程（描述输出与状态的关系）： \(\mathbf{y}(t) = \mathbf{C}\mathbf{x}(t) + \mathbf{D}\mathbf{u}(t)\)
其中：
物理系统示例：双积分器（如位置控制系统） \(\ddot{y} = u\)
选择状态变量 $x_1 = y$, $x_2 = \dot{y}$： \(\begin{bmatrix} \dot{x}_1 \\ \dot{x}_2 \end{bmatrix} = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} + \begin{bmatrix} 0 \\ 1 \end{bmatrix} u\)
\[y = \begin{bmatrix} 1 & 0 \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix}\]状态转移矩阵： 状态方程的解为： \(\mathbf{x}(t) = e^{\mathbf{A}t}\mathbf{x}(0) + \int_0^t e^{\mathbf{A}(t-\tau)}\mathbf{B}\mathbf{u}(\tau)d\tau\)
其中 $\mathbf{\Phi}(t) = e^{\mathbf{A}t}$ 是状态转移矩阵，计算方法包括：
将传递函数转换为状态空间表示有多种标准形式，每种形式在不同应用场景下有其优势。
可控标准形（Controller Canonical Form）： 对于传递函数： \(G(s) = \frac{b_ms^m + b_{m-1}s^{m-1} + \cdots + b_0}{s^n + a_{n-1}s^{n-1} + \cdots + a_0}\)
（假设 $m < n$）
状态空间实现： \(\mathbf{A} = \begin{bmatrix} 0 & 1 & 0 & \cdots & 0 \\ 0 & 0 & 1 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots & 1 \\ -a_0 & -a_1 & -a_2 & \cdots & -a_{n-1} \end{bmatrix}, \quad \mathbf{B} = \begin{bmatrix} 0 \\ 0 \\ \vdots \\ 0 \\ 1 \end{bmatrix}\)
\[\mathbf{C} = \begin{bmatrix} b_0 & b_1 & \cdots & b_{m} & 0 & \cdots & 0 \end{bmatrix}, \quad \mathbf{D} = 0\]可观标准形（Observer Canonical Form）： \(\mathbf{A} = \begin{bmatrix} 0 & 0 & \cdots & 0 & -a_0 \\ 1 & 0 & \cdots & 0 & -a_1 \\ 0 & 1 & \cdots & 0 & -a_2 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \cdots & 1 & -a_{n-1} \end{bmatrix}, \quad \mathbf{B} = \begin{bmatrix} b_0 \\ b_1 \\ \vdots \\ b_{m} \\ 0 \\ \vdots \\ 0 \end{bmatrix}\)
\[\mathbf{C} = \begin{bmatrix} 0 & 0 & \cdots & 0 & 1 \end{bmatrix}, \quad \mathbf{D} = 0\]对角标准形（适用于无重根情况）： 若传递函数可分解为部分分式： \(G(s) = \sum_{i=1}^n \frac{r_i}{s - p_i}\)
则： \(\mathbf{A} = \begin{bmatrix} p_1 & 0 & \cdots & 0 \\ 0 & p_2 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & p_n \end{bmatrix}, \quad \mathbf{B} = \begin{bmatrix} 1 \\ 1 \\ \vdots \\ 1 \end{bmatrix}\)
\[\mathbf{C} = \begin{bmatrix} r_1 & r_2 & \cdots & r_n \end{bmatrix}, \quad \mathbf{D} = 0\]Jordan标准形： 当系统矩阵有重复特征值时，Jordan标准形提供了最简洁的表示：
\[\mathbf{A}_J = \begin{bmatrix} \mathbf{J}_1 & & & \\ & \mathbf{J}_2 & & \\ & & \ddots & \\ & & & \mathbf{J}_k \end{bmatrix}\]其中每个Jordan块： \(\mathbf{J}_i = \begin{bmatrix} \lambda_i & 1 & 0 & \cdots & 0 \\ 0 & \lambda_i & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \ddots & \vdots \\ 0 & 0 & \cdots & \lambda_i & 1 \\ 0 & 0 & \cdots & 0 & \lambda_i \end{bmatrix}\)
状态空间与传递函数的关系： 从状态空间到传递函数： \(\mathbf{G}(s) = \mathbf{C}(s\mathbf{I} - \mathbf{A})^{-1}\mathbf{B} + \mathbf{D}\)
这个公式揭示了重要事实：
最小实现： 给定传递函数的状态空间实现称为最小实现，当且仅当：
最小实现的维数等于传递函数的McMillan度（分母多项式的次数）。
坐标变换： 状态空间表示不唯一，通过坐标变换 $\mathbf{z} = \mathbf{T}\mathbf{x}$ 可得到新的表示： \(\bar{\mathbf{A}} = \mathbf{T}\mathbf{A}\mathbf{T}^{-1}, \quad \bar{\mathbf{B}} = \mathbf{T}\mathbf{B}, \quad \bar{\mathbf{C}} = \mathbf{C}\mathbf{T}^{-1}, \quad \bar{\mathbf{D}} = \mathbf{D}\)
坐标变换不改变系统的输入输出特性（传递函数不变），但可能简化分析和设计。常用的变换目标包括：
现实世界本质上是非线性的。从飞机的空气动力学到化学反应动力学，从神经元的动作电位到股票市场的价格波动，非线性无处不在。然而，非线性系统的分析和控制面临巨大挑战：
非线性系统的复杂性：
常见的非线性特性：
为什么需要线性化： 尽管非线性系统理论（如Lyapunov方法、描述函数法）取得了重要进展，线性系统理论仍然是最完善、最实用的工具。线性化允许我们：
线性化的数学基础是泰勒级数展开。对于非线性系统： \(\dot{\mathbf{x}} = \mathbf{f}(\mathbf{x}, \mathbf{u})\) \(\mathbf{y} = \mathbf{h}(\mathbf{x}, \mathbf{u})\)
平衡点的确定： 首先找到平衡点 $(\mathbf{x}_0, \mathbf{u}_0)$，满足： \(\mathbf{f}(\mathbf{x}_0, \mathbf{u}_0) = \mathbf{0}\)
泰勒展开： 在平衡点附近展开： \(\mathbf{f}(\mathbf{x}, \mathbf{u}) = \mathbf{f}(\mathbf{x}_0, \mathbf{u}_0) + \frac{\partial \mathbf{f}}{\partial \mathbf{x}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)} \Delta\mathbf{x} + \frac{\partial \mathbf{f}}{\partial \mathbf{u}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)} \Delta\mathbf{u} + \text{H.O.T.}\)
其中 $\Delta\mathbf{x} = \mathbf{x} - \mathbf{x}_0$，$\Delta\mathbf{u} = \mathbf{u} - \mathbf{u}_0$。
忽略高阶项（H.O.T.），得到线性化系统： \(\Delta\dot{\mathbf{x}} = \mathbf{A}\Delta\mathbf{x} + \mathbf{B}\Delta\mathbf{u}\) \(\Delta\mathbf{y} = \mathbf{C}\Delta\mathbf{x} + \mathbf{D}\Delta\mathbf{u}\)
其中Jacobian矩阵： \(\mathbf{A} = \frac{\partial \mathbf{f}}{\partial \mathbf{x}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)}, \quad \mathbf{B} = \frac{\partial \mathbf{f}}{\partial \mathbf{u}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)}\) \(\mathbf{C} = \frac{\partial \mathbf{h}}{\partial \mathbf{x}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)}, \quad \mathbf{D} = \frac{\partial \mathbf{h}}{\partial \mathbf{u}}\bigg|_{(\mathbf{x}_0, \mathbf{u}_0)}\)
实例：Van der Pol振荡器 \(\ddot{x} - \mu(1-x^2)\dot{x} + x = 0\)
改写为状态方程（$x_1 = x$, $x_2 = \dot{x}$）： \(\dot{x}_1 = x_2\) \(\dot{x}_2 = \mu(1-x_1^2)x_2 - x_1\)
在原点 $(0, 0)$ 处线性化： \(\mathbf{A} = \begin{bmatrix} 0 & 1 \\ -1 & \mu \end{bmatrix}\)
当 $\mu > 0$ 时，原点不稳定（特征值有正实部），系统会产生极限环。
工作点（平衡点）的选择对线性化模型的有效性至关重要。不同的工作点可能导致完全不同的线性模型。
工作点选择原则：
多工作点策略： 对于工作范围大的系统，单一线性模型可能不够，需要：
实例：倒立摆的两个平衡点
倒立摆有两个平衡点：
在直立位置线性化得到： \(\mathbf{A} = \begin{bmatrix} 0 & 1 & 0 & 0 \\ \frac{(M+m)g}{Ml} & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 \\ \frac{mg}{M} & 0 & 0 & 0 \end{bmatrix}\)
这个线性模型用于设计稳定控制器。
线性化模型只在平衡点附近有效，理解其有效范围对控制系统设计至关重要。
有效性的数学刻画：
根据Lyapunov第一法（间接法）：
吸引域估计： 线性化有效的区域称为吸引域（Region of Attraction, ROA）。估计方法包括：
Lyapunov函数法： 找到 $V(\mathbf{x})$ 使得 $\dot{V} < 0$，则 $V(\mathbf{x}) \leq c$ 定义的区域在吸引域内
仿真法： 从不同初始条件仿真，观察收敛行为
SOS（Sum of Squares）优化： 系统化的计算方法，可得到吸引域的多项式近似
线性化失效的情况：
改进线性化精度的方法：
反馈线性化： 通过非线性反馈实现精确线性化（不是近似）
扩展线性化： 保留部分二阶项，提高精度
分段线性化： 不同区域使用不同的线性模型
实践指南：
记住：所有模型都是近似，但线性化提供了强大的分析和设计工具。关键是理解其局限性并采取适当的补偿措施。
倒立摆是控制理论教学中的经典案例，它简单yet富有挑战性，完美展示了不稳定系统的控制问题。从Segway平衡车到火箭姿态控制，倒立摆的原理无处不在。
考虑一个小车-倒立摆系统：
↑ θ
|/
● m
|
===□=== M
────┴──── → x
F→
方法1：牛顿-欧拉法
小车的水平运动： \(M\ddot{x} = F - N\)
其中 $N$ 是摆杆对小车的水平作用力。
摆杆质心的水平加速度： \(m\frac{d^2}{dt^2}(x + l\sin\theta) = N\)
展开得： \(m(\ddot{x} + l\ddot{\theta}\cos\theta - l\dot{\theta}^2\sin\theta) = N\)
摆杆的转动方程（对质心）： \(I\ddot{\theta} = -Nl\cos\theta - Pl\sin\theta\)
其中 $I = \frac{ml^2}{3}$ 是摆杆相对质心的转动惯量，$P = mg$ 是重力。
方法2：拉格朗日法
系统动能： \(T = \frac{1}{2}M\dot{x}^2 + \frac{1}{2}m[(\dot{x} + l\dot{\theta}\cos\theta)^2 + (l\dot{\theta}\sin\theta)^2] + \frac{1}{2}I\dot{\theta}^2\)
简化后： \(T = \frac{1}{2}(M+m)\dot{x}^2 + ml\dot{x}\dot{\theta}\cos\theta + \frac{1}{2}(ml^2 + I)\dot{\theta}^2\)
势能： \(V = mgl\cos\theta\)
拉格朗日函数： \(L = T - V\)
应用拉格朗日方程得到两个耦合的非线性微分方程： \((M+m)\ddot{x} + ml\ddot{\theta}\cos\theta - ml\dot{\theta}^2\sin\theta = F\) \(ml\ddot{x}\cos\theta + (ml^2 + I)\ddot{\theta} - mgl\sin\theta = 0\)
在直立位置（$\theta = 0$, $\dot{\theta} = 0$）附近线性化。假设 $\theta$ 很小：
线性化方程： \((M+m)\ddot{x} + ml\ddot{\theta} = F\) \(ml\ddot{x} + (ml^2 + I)\ddot{\theta} - mgl\theta = 0\)
选择状态变量： \(\mathbf{x} = \begin{bmatrix} x \\ \dot{x} \\ \theta \\ \dot{\theta} \end{bmatrix}\)
经过代数运算，得到状态方程： \(\dot{\mathbf{x}} = \begin{bmatrix} 0 & 1 & 0 & 0 \\ 0 & 0 & \frac{-m^2gl^2}{D} & 0 \\ 0 & 0 & 0 & 1 \\ 0 & 0 & \frac{mgl(M+m)}{D} & 0 \end{bmatrix} \mathbf{x} + \begin{bmatrix} 0 \\ \frac{ml^2 + I}{D} \\ 0 \\ \frac{-ml}{D} \end{bmatrix} F\)
其中 $D = (M+m)(ml^2 + I) - m^2l^2$。
如果忽略摆杆转动惯量（$I = 0$），简化为： \(\mathbf{A} = \begin{bmatrix} 0 & 1 & 0 & 0 \\ 0 & 0 & \frac{-mg}{M} & 0 \\ 0 & 0 & 0 & 1 \\ 0 & 0 & \frac{(M+m)g}{Ml} & 0 \end{bmatrix}, \quad \mathbf{B} = \begin{bmatrix} 0 \\ \frac{1}{M} \\ 0 \\ \frac{-1}{Ml} \end{bmatrix}\)
特征值： 系统矩阵 $\mathbf{A}$ 的特征值为： \(\lambda_{1,2} = 0, \quad \lambda_{3,4} = \pm\sqrt{\frac{(M+m)g}{Ml}}\)
可控性： 可控性矩阵： \(\mathbf{P} = [\mathbf{B} \quad \mathbf{AB} \quad \mathbf{A}^2\mathbf{B} \quad \mathbf{A}^3\mathbf{B}]\)
计算得 $\text{rank}(\mathbf{P}) = 4$，系统完全可控。
物理解释：
James Watt（1736-1819）不仅改进了蒸汽机，更重要的是发明了离心调速器（1788年），这标志着自动控制的诞生。
离心调速器通过机械反馈实现转速控制：
这是一个纯机械的比例控制器，体现了负反馈的核心思想。
现代控制理论可以精确描述调速器： \(J\ddot{\theta} + b\dot{\theta} = T_s - T_l\)
其中：
飞球位置与转速关系： \(h = k\omega^2\)
节流阀开度与飞球位置关系： \(T_s = T_0 - K_ph\)
组合得到闭环系统的自调节特性。
Watt的工作启示我们：伟大的工程创新往往源于对基本原理的深刻理解和巧妙应用。
分数阶微积分将微分和积分的阶次从整数推广到实数甚至复数，为控制系统建模和设计提供了新的自由度。
分数阶微积分定义（Riemann-Liouville）： \(_aD_t^\alpha f(t) = \frac{1}{\Gamma(n-\alpha)}\frac{d^n}{dt^n}\int_a^t \frac{f(\tau)}{(t-\tau)^{\alpha-n+1}}d\tau\)
其中 $n-1 < \alpha < n$，$\Gamma$ 是伽马函数。
拉普拉斯变换： \(\mathcal{L}\{_0D_t^\alpha f(t)\} = s^\alpha F(s) - \sum_{k=0}^{n-1} s^{k} \cdot _0D_t^{\alpha-k-1}f(0^+)\)
零初始条件下简化为： \(\mathcal{L}\{_0D_t^\alpha f(t)\} = s^\alpha F(s)\)
许多实际系统展现分数阶特性：
电化学系统：电池、超级电容的阻抗 \(Z(s) = R + \frac{1}{Cs^\alpha}, \quad 0 < \alpha < 1\)
粘弹性材料：应力-应变关系 \(\sigma(t) = E \cdot _0D_t^\alpha \epsilon(t)\)
热扩散：半无限介质中的温度分布 \(\frac{\partial T}{\partial t} = \kappa \cdot _0D_x^{1.5} T\)
传统PID的推广： \(u(t) = K_p e(t) + K_i \cdot _0D_t^{-\lambda} e(t) + K_d \cdot _0D_t^{\mu} e(t)\)
其中 $0 < \lambda, \mu < 1$。
传递函数： \(C(s) = K_p + \frac{K_i}{s^\lambda} + K_d s^\mu\)
优势：
稳定性判据： 分数阶系统 $D(s) = \sum_{k=0}^n a_k s^{\alpha_k} = 0$ 稳定的充要条件： \(|\arg(s_i)| > \frac{\alpha\pi}{2}\)
其中 $\alpha$ 是所有阶次的最小公倍数的倒数。
Oustaloup近似： 在频率范围 $[\omega_l, \omega_h]$ 内用有理传递函数近似 $s^\alpha$： \(s^\alpha \approx K \prod_{k=-N}^{N} \frac{s + \omega_k'}{s + \omega_k}\)
数值方法：
分数阶控制代表了控制理论的前沿方向，它打破了整数阶的限制，为复杂系统的建模和控制提供了新工具。
本章奠定了控制理论学习的数学基础。我们从控制系统的基本概念出发，深入探讨了系统建模的各种方法，掌握了从物理系统到数学模型的转换技巧。
关键要点：
核心公式回顾：
| 线性化：$\mathbf{A} = \frac{\partial \mathbf{f}}{\partial \mathbf{x}}\bigg | _{(\mathbf{x}_0, \mathbf{u}_0)}$ |
掌握这些基础概念和工具，为深入学习后续章节的系统分析、控制器设计和高级控制方法打下了坚实基础。